Nova pesquisa sobre o GitHub Copilot encontra ‘pressão descendente sobre a qualidade do código’
Nova pesquisa da GitClear sugere que o GitHub Copilot e assistentes de codificação por IA semelhantes estão correlacionados com mais churn, código duplicado e menor aderência a práticas como DRY, levantando preocupações sobre a qualidade do código no longo prazo. Comentadores descrevem ferramentas de IA como altamente eficazes para boilerplate, testes e “começar”, mas observam que muitas vezes produzem soluções sutilmente erradas ou ingênuas, difíceis de depurar, especialmente para desenvolvedores menos experientes. Outros questionam os métodos do estudo e argumentam que o verdadeiro problema é como as equipes usam essas ferramentas e o que elas otimizam, alertando que incentivos em torno de velocidade e linhas de código podem amplificar as desvantagens.
Impacto percebido na qualidade do código e no churn
- Muitos comentadores dizem que o Copilot/LLMs aumentam o código “mais ou menos”, o copiar e colar e o churn, muitas vezes violando DRY e criando dívida técnica futura.
- Vários descrevem incidentes reais em que o uso intenso de IA levou a código frágil em produção, reescritas de última hora e firefighting.
- Outros argumentam que uma qualidade mais baixa pode ser aceitável quando a tarefa em si é simples ou de curta duração, e que nem todo churn é “defeituoso” – ele pode refletir experimentação mais barata.
Metodologia e limitações do estudo
- A pesquisa ligada é vista como interessante, mas metodologicamente fraca: ela infere correlações a partir de métricas de repositórios sem saber diretamente qual código foi gerado por IA.
- Alguns apontam que a regressão usou muito poucos pontos de dados e não controlou outros fatores (por exemplo, contratações/demissões na época da COVID, mudanças no setor de tecnologia).
- Mesmo leitores simpáticos enfatizam que ela não pode mostrar causalidade, apenas que 2023 parece diferente dos anos anteriores.
Como os desenvolvedores usam ferramentas de IA
- Usos “bons” populares: boilerplate, configuração entediante, refatorações repetitivas, testes, docstrings, mensagens de commit, SQL simples, especificações OpenAPI, autocompletar de uma linha.
- Vários tratam LLMs como um “patinho de borracha inteligente” ou uma busca melhor: fazer perguntas, validar documentação e APIs, refinar projetos.
- Muitos acham o Copilot fraco para lógica complexa, arquitetura mais profunda ou SQL não trivial; revisar a saída pode custar mais do que escrever o código você mesmo.
Aprendizado, juniores e deriva de habilidade
- Há forte preocupação de que juniores vão “apertar tab” em vez de aprender, tornando-se dependentes de IA e incapazes de julgar a qualidade do código.
- Outros contrapõem que LLMs podem ser tutores poderosos, se você já souber o suficiente para criticar as respostas e usá-las para esclarecer conceitos.
Produtividade, incentivos e artesanato
- Alguns relatam ganhos claros de produtividade e aceitam felizmente código um pouco pior em troca de resultados mais rápidos; outros cancelam assinaturas porque depurar a saída da IA custa mais.
- Vários ligam isso a tendências mais amplas: pressão por maior produção com salários estagnados, gestão acompanhando LOC/velocity, e uma mudança de programação no estilo “artesão” para “operário”.
- Surgem debates em torno de DRY/SOLID e abstrações: alguns culpam o excesso de DRY e padrões pela complexidade; outros argumentam que eles continuam essenciais para a manutenibilidade, especialmente quando a IA torna barato gerar massas de código.
Preocupações mais amplas e analogias
- Fazem-se comparações com calculadoras, corretor ortográfico, a internet e até a própria escrita: toda nova ferramenta já foi acusada de tornar as pessoas “mais burras”.
- Alguns temem a erosão de longo prazo da habilidade humana sem assistência e um ciclo de feedback em que código gerado por IA degrada dados de treinamento futuros.
- Outros veem a IA como algo inicial, supervalorizado, mas no fim apenas mais uma ferramenta cujo impacto líquido dependerá de como os humanos adaptarem fluxos de trabalho, testes e incentivos.